基于深度学习的大兴机场地铁线路刚性接触网悬挂状态检测研究

白青林

（北京市轨道运营有限公司，北京 102412）

为更好地满足乘客需求，必须在现有技术与运行模式的基础上对城市轨道交通进行优化[1]。北京大兴机场线设计时速为160km，是全球时速最快的地铁线路，是城市轨道交通一种新的突破。为保证地铁的安全可靠稳定运行，需要牵引供电系统可靠工作，而刚性接触网是系统的重要组成部分，也是实现机车可靠供电的关键部件[2]。

由于刚性接触网随着地铁运行时间的延续，运行压力不断增加，其运行状态下滑严重，从而导致不同类型的故障出现，因此需要对刚性接触网进行实时检测，为检修维护提供重要支撑尤其重要。其中刚性接触网的悬挂状态检测更是重中之重，刚性接触网悬挂状态将直接决定刚性接触网的工作性能，进而影响弓网受流质量，若刚性接触网悬挂状态不佳，将会威胁地铁的稳定运行[3-4]。

文章以北京大兴机场线中的刚性接触网为研究对象，基于图像识别技术，引入深度学习理论对刚性接触网悬挂状态进行检测，建立包含深度学习的刚性接触网悬挂状态检测流程，并通过现场实验，与传统的图像检测方式进行对比来验证该方法的准确性与优越性，从而为快速地铁的刚性接触网悬挂状态检测提供一种新的尝试。

1 深度学习理论

1.1 卷积神经网络

卷积神经网络（Convolution Neural Notwork,CNN）作为四大深度学习模型之一，在计算机视觉领域有着广泛的应用。CNN主要由三部分组成，第一部分为输入层，实现原始图像数据的输入；第二部分由卷积层和池化层组成，实现对输入数据的特征提取；第三部分由全连接层和分类器组成，实现全连接的多层感知[5-6]。

卷积层：对图像和滤波矩阵做内积运算的过程称为卷积操作。通过改变卷积层深度等参数实现图像特征提取。卷积运算公式如下：

池化层：一般存在于连续的卷积层间，通过对输入的特征图进行“压缩”来减小下一层计算量，避免过拟合。平均池化和最大值池化为常用的两种池化方式，池化运算公式如下：

式中：down函数为下采样运算，将i-1层输出特征图xi分割为n×n的特征图块，并对其进行最大值或均值化处理，使得特征图维度变为原始图块的1/n2。

全连接层：其一般位于CNN的尾部，作用是对整个网络的特征进行线性组合，计算公式如下：

式中：Wij为i-1层的第i个节点和i层第j个节点间的权重；b为i层第j个节点的偏置。

1.2 CNN学习过程

CNN本质上为实现输入和输出间的映射，利用已知模式对CNN进行训练，使其具有输入输出间的映射能力，整个学习过程和人工神经网络类似，可归纳为向前传播、反向传播和权值更新部分[7]。

整个CNN的学习过程如下。（1）初始化网络：对CNN的权重、偏置系数等参数进行随机初始化；（2）向前传播：将训练样本数据作为CNN输入，获得CNN的预测值；（3）误差求解：计算实际值和预测值间的误差；（4）反向传播：根据所求解的误差值，对各层网络的权重和偏置的偏导数进行求解，实现对网络参数的更新；（5）重复步骤2和4。

1.3 Faster R-CNN

Faster R-CNN算法是在改进Fast R-CNN的基础上提出的，由于Fast R-CNN是通过选择搜索算法实现候选框的特取，因此非常耗时[8]。而Faster R-CNN通过区域建议网络（RPN）完成对候选框的特取，也可看成是RPN+Faster R-CNN的结合体，区域建议网络采用卷积核为3×3的卷积层在特征图上做滑窗处理，进而确定候选框的位置。

2 基于深度学习的刚性接触网悬挂状态检测

2.1 刚性接触网图像获取

刚性接触网悬结构复杂，包含诸多部件，各部件虽然功能不同，但相互协作、相互耦合，共同保证了刚性接触网的运行状态。刚性接触网的主要部件及功能如表1所示。

利用接触网刚性悬挂监测装置（4C），对地铁运行轨道途中的刚性接触网进行拍摄，所得到的刚性接触网悬定位装置、支撑装置、接触悬挂、附加悬挂等的实际图像，为后续图像处理、故障识别提供基础。

表1 刚性接触网主要部件及功能明细表

2.2 悬挂状态检测流程

对刚性接触网图像中的故障进行识别需完成两项工作，一是建立样本模板，二是对图像进行故障识别。具体流程如图1所示。（1）待检测图像的采集：针对某铁路路线，采集1500张图像；（2）图像预处理：对图像进行像素处理，并对各位置进行框图标注；（3）训练集和测试集的划分：划分训练集和测试集；（4）共享卷积层特征信息提取：将图片数据输入预训练网络，以此获取图片的特征图谱；（5）区域建议：根据提取的特征，采用RPN网络寻找相应数量的候选框图；（6）分类和回归：根据前向和反向传播，完成网络参数调整，并判断部件类别。

图1 样本建模实现流程

2.3 训练策略的确定

Faster R-CNN算法需要对两种不同任务的训练模型进行训练，交替训练和近似联合训练是Faster R-CNN算法的两种常用训练方式。

交替训练首先对区域建议网络进行训练，并将训练好的参数作为Fast R-CNN的初始化参数，同时将RPN的输出作为Fast R-CNN的输入，通过多次迭代来训练网络。

近似联合训练为另外一种训练模式，不同于交替训练中分别对RPN和Faster R-CNN进行训练的方式，由于每次随机梯度下降迭代时，RPN产生的proposal在前向传播时为固定值，因此可提前计算并设置该值，进而对Faster R-CNN网络进行训练。反向传播时，将RPN的误差和Faster R-CNN的误差结合，并且对RPN产生的cls_score忽略不计，进而更新参数。该设置可以保证反向传播时，网络只能获得一个解析解[9-10]。与交替训练模式相比，近似联合训练模式具有内存较少、训练时间短等优势，故采用近似联合训练模式。

3 实验与分析

3.1 样本来源和预处理

选取北京线路大兴机场线接触网系统作为训练对象，采集2000张4C高清、正常运行状态下的图像作为训练样本，分别选取另3条铁路运营线路作为测试线路，各采集400张图片作为测试样本。同时，对标注过程中的一些模糊信息进行筛选，采用图像处理技术（灰度处理、降噪处理等）丰富样本数据。

3.2 参数设置

选用Caffe深度学习框架，其拥有较多经典模型，且方便在模块基础上根据需要进行扩展，同时还具有运行速度较快的特点。硬件运行环境为Intel CoreI5-6300HQ，NVIDIA GTX1050Ti，4G显存。训练样本集为2000张，测试样本集为400×3张。

3.3 实验验证

采用600张测试集输入构建的检测模型，测试检测算法的结果，检测效果如图2所示。

图2 检测结果

由图2检测结果可知，基于深度学习的刚性接触网悬挂状态检测算法能够准确识别刚性接触网悬挂装置中的缺陷，600张故障图片中，准确识别出389张故障图片，故障识别率为64.83%，且计算速度较快。为验证该算法的广泛适用性，对各部件选取了25张具有明显故障的图片，对刚性接触网悬挂装置各部件缺陷故障识别率进行统计，对图像进行识别，统计各部件的识别结果，统计结果如图3和表2所示。

图3 故障识别结果

表2 刚性接触网主要部件故障识别率

由表2可知，针对刚性接触网主要部件的故障识别率存在差异，具体可知对定位线夹、中心锚结线夹等部件的识别率较高，对中间接头、接地线夹等部件的识别率较低，是后期优化检测方法的重点；各部件故障检测率的平均识别率为64%，与600张刚性接触网故障检测结果相近，表明检测结果可信度较高。

为验证基于深度学习的刚性接触网悬挂状态检测算法的优越性，设置实验，将本算法同应用广泛的YOLO、SSD目标检测算法进行了对比，选取400张测试图像，测试结果如表3所示。

表3 不同检测算法下的定位结果

由表3可知，文章采用的基于Faster R-CNN模型的目标检测算法与YOLO算法、SSD算法相比，定位精度分别提高了8%和4%，体现了本算法的优越性。

4 结论

文章介绍了一种基于深度学习的刚性接触网悬挂状态检测算法。测试结果表明，基于Faster R-CNN模型的目标检测算法定位精度分别比YOLO算法和SSD算法提高了8%和4%，具有较好的准确性和运行效率。同时，针对不同线路的采集图像进行测试，检测结果表明不同线路下，此方法均能较好地定位六大区域部件，具有较好的通用性，为快速地铁的刚性接触网悬挂状态检测提供了一种新的尝试。